行人再识别方法、装置及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111723611A(43)申请公布日2020.09.29(21)申请号201910213845.1(22)申请日2019.03.20(71)申请人北京沃东天骏信息技术有限公司地址100176北京市大兴区经济技术开发区科创十一街18号院2号楼4层A402室(72)发明人孙旭董玉新刘巍陈宇翁志(74)专利代理机构北京派特恩知识产权代理有限公司11270代理人周丽莎张颖玲(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书13页附图8页(54)发明名称行人再识别方法、装置及存储介质(57)摘要本公开实施例公开了一种行人再识别方法，所述方法包括：获取目标视域场景下的待识别图像，所述待识别图像包括待识别对象；基于训练后的用于行人再识别的神经网络对所述待识别图像进行特征提取和匹配，得到与所述待识别对象对应的识别结果；其中，所述神经网络的训练样本包括将其它视域场景下的源域图像转换至所述目标视域场景后得到的目标域图像及所述目标域图像中所包含的对象的类别。本公开实施例进一步公开一种行人再识别装置及存储介质。CN111723611ACN111723611A权利要求书1/3页1.一种行人再识别方法，其特征在于，所述方法包括：获取目标视域场景下的待识别图像，所述待识别图像包括待识别对象；基于训练后的用于行人再识别的神经网络对所述待识别图像进行特征提取和匹配，得到与所述待识别对象对应的识别结果；其中，所述神经网络的训练样本包括将其它视域场景下的源域图像转换至所述目标视域场景后得到的目标域图像及所述目标域图像中所包含的对象的身份信息。2.根据权利要求1所述的行人再识别方法，其特征在于，在所述基于训练后的用于行人再识别的神经网络对所述待识别图像进行特征提取和匹配之前，还包括：获取第一训练样本，所述第一训练样本包括目标对象在其它视域场景下的源域图像；将所述第一训练样本输入训练后的生成对抗网络进行风格转换，得到所述目标视域场景下的目标域图像；根据携带所包含的目标对象的身份信息标注的所述目标域图像形成第二训练样本；将所述第二训练样本输入神经网络模型进行迭代训练，直至所述神经网络模型的损失函数满足收敛条件，得到所述训练后的用于行人再识别的神经网络。3.根据权利要求2所述的行人再识别方法，其特征在于，所述将所述第二训练样本输入所述神经网络模型进行迭代训练，直至所述神经网络模型的损失函数满足收敛条件之前，还包括：获取包括目标对象在所述目标视域场景下的原始目标域图像，将携带有所包含的目标对象的身份信息标注的所述原始目标域图像作为所述第二训练样本的一部分。4.根据权利要求2所述的行人再识别方法，其特征在于，所述生成对抗网络包括生成网络和识别网络，所述将所述第一训练样本输入训练后的生成对抗网络进行风格转换，得到所述目标视域场景下的目标域图像之前，包括：获取其他视域场景下的源域图像；将所述源域图像输入所述生成网络进行训练，获得对应的输出图像；其中，所述源域图像与所述对应的输出图像分别对应不同的场景风格；获取目标视域场景下的目标域图像及所述目标域图像对应的场景标签；将所述输出图像、所述目标域图像及所述目标域图像对应的场景标签输入所述识别网络进行训练，确定所述输出图像与所述目标域图像的场景识别结果，通过对所述生成网络和所述识别网络进行单独交替迭代训练直至设置的损失函数满足收敛条件，获得所述训练后的生成对抗网络。5.根据权利要求1所述的行人再识别方法，其特征在于，在基于训练后的用于行人再识别的神经网络对所述待识别图像进行特征提取和匹配之前，还包括：对所述待识别图像中的待识别对象进行姿态校正。6.根据权利要求5所述的行人再识别方法，其特征在于，所述对所述待识别图像中的待识别对象进行姿态校正，包括：获取目标视域场景下的目标域图像训练集；基于仿射变换参数将所述目标域图像训练集生成仿射变换图像样本集并将生成的图像样本与原图像样本配对，获得配对样本；基于所述配对样本和所述仿射变换参数训练空间变换网络，直至对应的损失函数满足2CN111723611A权利要求书2/3页收敛条件，得到训练后的用于行人姿态对齐的空间变换网络；基于训练后的所述空间变换网络对所述待识别图像中的待识别对象进行姿态校正。7.一种行人再识别装置，其特征在于，包括获取模块和处理模块，其中，所述获取模块，用于获取目标视域场景下的待识别图像，所述待识别图像包括待识别对象；所述处理模块，用于基于训练后的用于行人再识别的神经网络对所述待识别图像进行特征提取和匹配，得到与所述待识别对象对应的识别结果；其中，所述神经网络的训练样本包括将